1、信号处理基础：量化交易中的信号概念、信号类型、信号处理流程总览
各位同学，咱们今天聊聊量化交易里最基础、也最容易被忽视的东西——信号。
说实话，我刚开始做量化那会儿，觉得信号就是「金叉买、死叉卖」这么简单。后来在实盘里被市场狠狠教育了几次，才明白信号处理才是整个策略的命门。你想想看，如果连输入的数据都是脏的、乱的，后面再漂亮的模型也是白搭。
1.1 什么是量化交易中的「信号」？
信号，说白了就是市场里传递出来的信息。它告诉你：现在该买、该卖，还是该观望。
我个人习惯把信号分成两类：
- 原始信号：直接从市场拿到的数据，比如价格、成交量。这些是原材料。
- 加工信号：经过算法处理后的结果，比如均线金叉、RSI超买超卖。这些是半成品或成品。
嗯，这里要注意：原始信号里藏着大量噪声。我在项目中遇到过，有人直接用Tick数据做高频策略，结果被交易所的撮合延迟和网络抖动搞得一塌糊涂。所以信号处理的第一步，往往是「去噪」。
核心观点：信号 = 信息 + 噪声。我们的工作就是尽可能保留信息，剔除噪声。
1.2 三大信号类型：价格、成交量、波动率
做量化交易，你绕不开这三类信号。我按重要程度排个序：
1.2.1 价格信号
这是最直接的信号。开盘价、收盘价、最高价、最低价，也就是我们常说的OHLC。为什么这四个价格这么重要？
- 收盘价：市场经过一天博弈后的共识。我个人觉得，收盘价是所有价格里信息量最大的。
- 开盘价：隔夜信息的集中反映。经常有跳空缺口，这里藏着套利机会。
- 最高/最低价：多空双方当天打到的最极端位置。做突破策略的人特别看重这个。
我曾经犯过一个低级错误：用复权后的价格做回测，结果信号全乱了。后来才明白，复权会改变价格序列的统计特性，尤其是做均值回归策略时，复权数据会让你误以为有套利空间。
避坑指南：做回测时，尽量用原始价格数据。如果需要复权，请务必搞清楚前复权和后复权的区别。我曾经因为用错复权方式，白亏了三个月的研发时间。
1.2.2 成交量信号
成交量是价格的「佐证」。光看价格不看量，就像只看结果不看过程。
我常用的成交量信号有：
- 成交量加权平均价（VWAP）：机构交易者最爱用的参考线。说白了就是「今天大家平均花了多少钱买的」。
- 成交量分布：哪个价格区间成交最多，哪里就是多空争夺的「主战场」。
- 量价背离：价格创新高但成交量萎缩，这往往是趋势衰竭的信号。
举个例子：某只股票连续三天上涨，但成交量一天比一天小。你想想看，这说明什么？说明追高的人越来越少，上涨动力不足。这时候再追进去，大概率要接盘。
1.2.3 波动率信号
波动率是市场的「情绪指标」。它告诉你市场现在有多「激动」。
我个人习惯把波动率分成两种：
| 类型 | 计算方法 | 用途 |
|---|---|---|
| 历史波动率 | 过去N天的收益率标准差 | 衡量已发生的波动 |
| 隐含波动率 | 从期权价格反推 | 预测未来波动 |
做CTA策略的人，特别喜欢用波动率来调整仓位。波动率高了，仓位降一点；波动率低了，仓位加一点。这叫「波动率平价」，说白了就是让每笔交易承担差不多的风险。
小技巧：计算波动率时，我建议用对数收益率而不是简单收益率。为什么？因为对数收益率在时间序列上可加，而且更符合正态分布假设。这是我在做波动率建模时踩过的坑，分享给大家。
1.3 信号处理流程总览
好了，现在我们知道信号是什么、有哪些类型。接下来看看整个处理流程长什么样。
我把它总结成五个步骤：
- 数据采集：从交易所、数据商拿到原始数据。这一步要小心数据缺失、跳变、停牌等问题。
- 数据清洗：处理缺失值、异常值、复权调整。嗯，这一步最枯燥，但也最重要。
- 信号生成：用算法把原始数据变成交易信号。比如计算均线、MACD、布林带等。
- 信号评估：用回测来检验信号的有效性。看夏普比率、最大回撤、胜率等指标。
- 信号执行：把信号转化成实际交易指令。这里要考虑滑点、手续费、市场冲击。
你可能会问：这五个步骤哪个最重要？
我的答案是：数据清洗。为什么？因为「垃圾进，垃圾出」。你模型再牛，数据是脏的，结果就是错的。我在项目中遇到过，因为某天的数据里混了一个「价格跳空到0」的异常值，导致整个回测结果失真。排查了整整两天才找到原因。
一句话总结：信号处理不是「锦上添花」，而是「雪中送炭」。没有好的信号处理，就没有好的量化策略。
1.4 一个简单的信号处理示例
光说不练假把式。我给大家看一段简单的Python代码，演示如何计算一个最基本的信号——移动平均线交叉信号。
import pandas as pd
import numpy as np
# 假设我们有一组收盘价数据
prices = [100, 102, 101, 105, 107, 106, 108, 110, 109, 111]
# 计算5日均线和10日均线
def moving_average(data, window):
return pd.Series(data).rolling(window=window).mean().values
ma5 = moving_average(prices, 5)
ma10 = moving_average(prices, 10)
# 生成信号：当5日均线上穿10日均线时买入，下穿时卖出
signals = []
for i in range(1, len(prices)):
if ma5[i] > ma10[i] and ma5[i-1] <= ma10[i-1]:
signals.append('买入')
elif ma5[i] < ma10[i] and ma5[i-1] >= ma10[i-1]:
signals.append('卖出')
else:
signals.append('持有')
print('信号序列:', signals)
这段代码很简单，但背后藏着很多细节。比如：
- 为什么用5日和10日？换成其他参数会怎样？
- 信号出现后，是立即执行还是等收盘确认？
- 如果连续出现多个信号，怎么处理？
这些问题，咱们后面的章节会一一解答。今天先把基础打牢。
课后思考：如果你拿到一组价格数据，第一件事会做什么？我的习惯是先画个图，看看有没有明显的异常值。视觉检查虽然不严谨，但往往能发现程序发现不了的问题。
好了，信号处理的基础就讲到这里。下一章咱们聊聊「数据清洗」这个看似枯燥、实则关键的话题。到时候我会分享一些我在实战中踩过的坑，保证让你少走弯路。